古吉拉特语脚本的字词分割与总解释结构建模

# 古吉拉特语脚本的字词分割与总解释结构建模 ## 1. 古吉拉特语脚本字词分割 ### 1.1 研究背景与目标 古吉拉特语属于印欧语系的印度 - 雅利安语族，源自梵文天城体字母。印度约有 5000 万人使用古吉拉特语，其中包括身体残障人士和文盲。当前的研究目标是开发一个文本转语音系统，该系统能从文本文件中读取内容，分割字符串中的单个字符，然后将其记录为音频文件，从而实现语音合成。然而，现有的开源文本转语音系统大多从图像中读取数据，很少有系统能直接从文本文件获取输入。因此，我们致力于开发一个从文本文件获取输入的应用程序。 古吉拉特语的音节（音素）主要包括 33 个辅音、12 个元音、12 个元音修饰符（Matras）、4 个变音符号、1 个 halanta 和 1 个 nukta，每个元素都是独立的音节。 ### 1.2 相关研究综述 过往的研究主要集中在图像处理方面，从图像中提取数据，处理后识别字词。但针对文本文件输入的研究较少，且多数研究针对非古吉拉特语。以下是部分相关研究： - Mohammed Javed 等人提出了一种将压缩文本文件分割成行、单词和字符的算法，适用于孟加拉语、卡纳达语和英语脚本。 - Shailesh A. Chaudhari 和 Ravi M. Gulati 对双语英语 - 古吉拉特语数字模式进行了分类，使用混合统计和结构特征以及模板匹配分类器，古吉拉特语和英语数字的分类率分别达到 98.30% 和 98.88%。 - R.C. Tripathi 和 Vijay Kumar 建议使用神经网络进行字符识别，但成功率不理想。 ### 1.3 提出的算法 我们开发了一种用于古吉拉特语单词和字符（从音素角度）分割的算法，并在 Windows 10 平台的 MATLAB 编程环境中实现。输入测试数据为文本文件中用古吉拉特语单词表示的数字，算法能成功给出准确输出。 MATLAB 的默认字符编码风格是 ‘Windows – 1252’，我们将其改为 ‘UTF - 8’，并将文本文件也保存为 ‘UTF - 8’ 编码风格。具体算法步骤如下： ```matlab Algorithm : Segmentation of words and characters Input : Text file containing Gujarati numbers written in words Output : Segmented words and characters 1. feature('DefaultCharacterSet') ; // feature function displays default character set of MATLAB (It is ‘US - ASCII’ by default) 2. feature('locale') ; //Displays current character encoding , it is Windows – 1252 by default 3. if CharacterEncoding ~= ‘UTF – 8’ 4. CharacterEncoding = ‘UTF - 8’ ; // using slCharacterEncoding() function 5. End 6. filename = 'C:\Matlab Programs\TextFile1.txt' ; 7. fid = fopen(filename) ; 8. str = READ data from file pointed by fid ; // DETERMINE number of words in a string. 9. NoOfWords = length(str{1}) ; // DISPLAY each word individually 10. for I = 1 to NoOfWords do 11. DISPLAY str{1}{I} ; 12. End // DISPLAY character of each word individually 13. for I = 1 to NoOfWords do 14. L = length(str{1}{I}) ; 15. for J = 1 to L do 16. DISPLAY s(j) ; 17. end 18. end ``` 注意：`feature('locale')` 读取 Windows 平台的用户区域设置和系统区域设置，两者必须相同，否则可能会显示乱码或错误的字符。 该算法的流程如下： ```mermaid graph TD; A[显示 MATLAB 默认字符集] --> B[显示当前字符编码]; B --> C{字符编码是否为 UTF - 8}; C -- 否 --> D[将字符编码改为 UTF - 8]; C -- 是 --> E[打开文本文件]; D --> E; ```